FedCTTA：联邦学习中持续测试时适应的协作方法
机器学习
2026-01-16 v1 计算机视觉与模式识别
摘要
联邦学习（Federated Learning）通过在分布式客户端之间进行协作模型训练，无需共享原始数据，使其适用于隐私敏感的应用场景。然而，由于训练阶段与部署阶段之间的分布迁移，联邦学习模型常常出现性能下降。测试时适应（Test-Time Adaptation, TTA）通过仅使用测试样本即可实现模型适应，为解决这一问题提供了可行方案。然而，现有联邦学习中的 TTA 方法面临计算开销大、因特征共享而产生隐私风险以及因内存限制导致的可扩展性问题等挑战。为此，我们提出了联邦持续测试时适应（Federated Continual Test-Time Adaptation, FedCTTA），这是一种面向联邦适应的隐私保护且计算效率高的框架。与依赖共享本地特征统计量的先前方法不同，FedCTTA 通过基于随机生成噪声样本上模型输出分布的相似度感知聚合，避免了直接特征交换。该方法在确保自适应知识共享的同时，维护了数据隐私。此外，FedCTTA 在每个客户端最小化熵，以实现持续适应，增强模型对演变目标分布的把握。我们的方法无需在适应期间进行服务器端训练，保持恒定的内存占用，使得在客户端数量或训练轮数增加时仍具可扩展性。大量实验表明，FedCTTA 在多样化的时空异构场景下均优于现有方法。
引用
@article{arxiv.2505.13643,
title = {FedCTTA: A Collaborative Approach to Continual Test-Time Adaptation in Federated Learning},
author = {Rakibul Hasan Rajib and Md Akil Raihan Iftee and Mir Sazzat Hossain and A. K. M. Mahbubur Rahman and Sajib Mistry and M Ashraful Amin and Amin Ahsan Ali},
journal= {arXiv preprint arXiv:2505.13643},
year = {2026}
}
备注
8 pages, 5 figures, Accepted In IJCNN 2025